STRUCTURAL EQUATION MODELING
1. PENGANTAR PENGANTAR SEM
Kompleksitas hubungan antara variabel semakin berkembang seiring berkembangnya ilmu pengetahuan. Keterkaitan hubungan tersebut bersifat ilmiah, yaitu pola hubungan (relasi) antara variabel saja atau pola pengaruh baik pengaruh langsung maupun tak langsung. Dalam prakteknya, variabel-variabel penelitian pada bidang tertentu tidak dapat diukur secara langsung (bersifat laten) sehingga masih membutuhkan berbagai indikator lain untuk mengukur variabel tersebut. Variabel tersebut dinamakan konstrak laten. Permasalahan pertama yang timbul adalah apakah indikator-indikator yang diukur tersebut mencerminkan konstrak laten yang didefinisikan. Indikator-indikator tersebut haruslah dapat dipertanggungjawabkan secara teori, mempunyai nilai logis yang dapat diterima, serta memiliki tingkat validitas dan reliabilitas yang baik. Permasalahan kedua adalah bagaimana mengukur pola hubungan atau besarnya nilai
pengaruh
antara
konstrak
laten
baik
secara
parsial
maupun
simultan/serempak; bagaimana mengukur besarnya pengaruh langsung, pengaruh tidak langsung, dan pengaruh total antara konstrak laten. Teknik statistik yang mampu menganalisis pola hubungan antara konstrak laten dan indikatornya, konstrak laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung adalah Structural Equation Modeling (SEM). SEM adalah sebuah evolusi dari model persamaan berganda (regresi) yang dikembangkan dari prinsip ekonometri dan digabungkan dengan prinsip pengaturan (analisis faktor) dari psikologi dan sosiologi. (Hair et al., al., 1995). Yamin dan Kurniawan (2009) menjelaskan alasan yang mendasari digunakannya SEM adalah. 1. SEM mempunya mempunyaii kemampuan kemampuan untuk untuk mengestim mengestimasi asi hubungan hubungan antara antara variabel yang bersifat multiple relationship. relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstrak laten eksogen dan endogen). 2. SEM mempunya mempunyaii kemampuan kemampuan untuk untuk menggam menggambark barkan an pola hubun hubungan gan antara konstrak laten (unobserved ( unobserved ) dan variabel manifest (manifest ( manifest variabel atau variabel indikator).
3. SEM mempunyai kemampuan mengukur besarnya pengaruh langsung, pengaruh tidak langsung, dan pengaruh total antara konstrak laten (efek dekomposisi). Dalam perkembangannya, pengolahan data untuk analisis SEM menjadi mudah dengan bantuan beberapa peranti lunak (software) statistik, seperti LISREL, AMOS, dan SmartPLS. Pada penelitian ini, analisis SEM dilakukan dengan menggunakan bantuan software LISREL 8.54.
2. KONSEP DASAR SEM
Beberapa istilah umum yang berkaitan dengan SEM menurut Hair et al. (1995) diuraikan sebagai berikut:
Konstrak Laten Pengertian
konstrak
adalah
konsep
yang
membuat
peneliti
mendefinisikan ketentuan konseptual namun tidak secara langsung (bersifat laten), tetapi diukur dengan perkiraan berdasarkan indikator. Konstrak merupakan suatu proses atau kejadian dari suatu amatan yang diformulasikan dalam bentuk konseptual dan memerlukan indikator untuk memperjelasnya.
Variabel Manifest Pengertian variabel manifest adalah nilai observasi pada bagian spesifik yang dipertanyakan, baik dari responden yang menjawab pertanyaan (misalnya, kuesioner) maupun observasi yang dilakukan oleh peneliti. Sebagai tambahan, Konstrak laten tidak dapat diukur secara langsung (bersifat laten) dan membutuhkan indikator-indikator untuk mengukurnya. Indikator-indikator tersebut dinamakan variabel manifest. Dalam format kuesioner, variabel manifest tersebut merupakan item-item pertanyaan dari setiap variabel yang dihipotesiskan.
Variabel Eksogen, Variabel Endogen, dan Variabel Error Variabel eksogen adalah variabel penyebab, variabel yang tidak dipengaruhi oleh variabel lainnya. Variabel eksogen memberikan efek kepada variabel lainnya. Dalam diagram jalur, variabel eksogen ini secara eksplisit ditandai sebagai variabel yang tidak ada panah tunggal yang menuju kearahnya.
Variabel endogen adalah variabel yang dijelaskan
oleh variabel eksogen. Variabel endogen adalah efek dari variabel eksogen. Dalam diagram jalur, variabel endogen ini secara eksplisit ditandai oleh kepala panah yang menuju kearahnya. Variabel error didefinisikan sebagai kumpulan variabel-variabel eksogen lainnya yang tidak dimasukkan dalam sistem penelitian yang dimungkinkan masih mempengaruhi variabel endogen.
Diagram Jalur Diagram hubungan
jalur
kausal
adalah antara
sebuah variabel.
diagram
yang
Pembangunan
menggambarkan diagram
jalur
dimaksudkan untuk menvisualisasikan keseluruhan alur hubungan antara variabel. Sebagai contoh, diberikan diagram jalur dari pengaruh Internal dan Eksternal (variabel eksogen) terhadap Kinerja KUD (variabel endogen). Internal Kinerja KUD Eksternal
Tanda anak panah ( ) menunjukkan pengaruh antara konstrak laten eksogen terhadap konstrak laten endogen).
Koefisien Jalur Koefisien jalur adalah suatu koefisien regresi terstandardisasi (beta) yang menunjukkan parameter pengaruh dari suatu variabel eksogen terhadap variabel endogen dalam diagram jalur. Koefisien jalur d isebut juga standardized solution. Standardized solution yang menghubungkan antara konstrak laten dan variabel indikatornya adalah faktor loading.
Output program LISREL Untuk memperoleh output format/program LISREL, ada beberapa pilihan perintah, antara lain. OPTIONS: SS SC RS EF SE VA MR PS PC PT AD=OFF Keterangan:
OPTIONS yang memerintahkan kepada LISREL untuk mengeluarkan output dalam bentuk: SS = Print standardized solution SC = Print completely standardized solution
RS = Print residual solution, standardized residual solution, and Qplot EF = Print total and indirect effects, standardized total and indirect effects VA = Print variance and covariance MR = Equivalent to RS and VA PS = Print factor score regression PC = Print correlations of parameter estimates PT = Print technical information AD=OFF = Option to unlimited iteration for estimation.
Program SIMPLIS didalam LISREL Secara umum, bentuk badan pemrograman untuk program SIMPLIS adalah sebagai berikut: [Title] ............................................................................................................. Observed variable (from file name...) Covariance matrix (from file name...) Latent variables……………………. Sample Size = …….. Relationships ............................................................................................................. Method = WLS OPTIONS: ………………. Path Diagram End of Problem
Simbol-Simbol dalam Analisis SEM Penjelasan simbol-simbol dalam analisis/model SEM divisualisasikan dalam diagram jalur (Output LISREL) berikut.
1 2
3 4
5 6
x1
11
x 2
21
x3
22
x6
y1
y2
13
1 2
12
x5
2
1
31
x 4
1
23 1 1
33
2
1
14 2 2
24
34
y4
y5 y6
4
5 6
y3
32
3
Keterangan: (KSI)
: konstrak laten eksogen
(ETA)
: konstrak laten endogen
(GAMMA) : hubungan langsung variabel eksogen terhadap variabel
endogen (BETA)
: hubungan langsung variabel endogen terhadap variabel
endogen (LAMDA) : hubungan langsung variabel eksogen ataupun endogen
terhadap indikatornya (PHI)
: kovarian/korelasi antara variabel eksogen
(DELTA)
: measurement error (kesalahan pengukuran) dari indikator variabel eksogen
(EPSILON) : measurement error dari indikator variabel endogen (ZETA)
:
kesalahan
dalam
persamaan,
yaitu
antara
variabel
eksogen/endogen dan variabel endogen (PSI)
: kovarian di antara struktural residu
(THETA-DELTA) : matriks kovarian simetris di antara kesalahan pengukuran pada indikator-indikator dari variabel eksogen
(THETA-EPSILON): matriks kovarian simetris di antara kesalahan pengukuran pada indikator-indikator dari variabel endogen
Persamaan Matematis dalam SEM Persamaan matematis model yang telah dijelaskan pada gambar diagram jalur (Output LISREL) adalah.
1) Persamaan model struktural 1
1
1 2 2 1
2
1 1 2
2) Persamaan model pengukuran variabel eksogen x1
11 1 1
x2
21 1
x3
31 1 3
x4
12 1 4
x5
22 1 5
x6
32 1 6
2
3) Persamaan model pengukuran variabel endogen
y1
13 1
1
y 2
23 1 2
y 3
33 1 3
y 4
14 2
4
y 5
24 2
5
y 6
34 2
6
Efek Dekomposisi (Pengaruh Total dan Pengaruh Tak Langsung) Efek dekomposisi terjadi berdasarkan pembentukan diagram jalur yang bisa dipertanggungjawabkan secara teori. Pengaruh antara konstrak laten dibagi berdasarkan kompleksitas hubungan variabel, yaitu: 1) pengaruh langsung (direct effects) 2) pengaruh tak langsung (indirect effects) 3) pengaruh total (total effects) Pengaruh total merupakan penjumlahan dari pengaruh langsung dan pengaruh tak langsung, sedangkan pengaruh tak langsung adalah perkalian dari semua pengaruh langsung yang dilewati (variabel eksogen menuju variabel endogen/variabel endogen). Pada software LISREL, pengaruh langsung diperoleh dari nilai output completely standardized solution, sedangkan efek dekomposisi diperoleh dari nilai output standardized total and indirect effects.
Contoh: r 1
2
r 2
1
r 3
Pengaruh variabel eksogen ( ) terhadap variabel endogen kedua ( 2 ), yaitu: o
(pengaruh langsung terhadap 2 ) = r 1 .
o
(pengaruh tak langsung terhadap 2 ) = (pengaruh langsung terhadap 1 ) + (pengaruh langsung 1 terhadap 2 ) = r 2 + r 3 .
o
(pengaruh total terhadap 2 ) = (pengaruh langsung terhadap 2 ) + (pengaruh tak langsung terhadap 2 ) = r 1 + r 2 + r 3 .
3. PROSEDUR SEM
Menurut Yamin dan Kurniawan (2009), secara umum ada lima tahap dalam prosedur SEM, yaitu spesifikasi model, identifikasi model, estimasi model, uji kecocokan model, dan respesifikasi model; berikut penjabarannya. 1. Spesifikasi Model Pada tahap ini, spesifikasi model yang dilakukan oleh peneliti meliputi: 1) mengungkapkan
sebuah
konsep
permasalahan
peneliti
yang
merupakan suatu pertanyaan atau dugaan hipotesis terhadap suatu masalah. 2) mendefinisikan variabel-variabel yang akan terlibat dalam penelitian dan mengkategorikannya sebagai variabel eksogen dan variabel endogen. 3) menentukan metode pengukuran untuk variabel tersebut, apakah bisa diukur secara langsung (measurable variable) atau membutuhkan variabel manifest (manifest variabel atau indikator-indikator yang mengukur konstrak laten). 4) mendefinisikan hubungan kausal struktural antara variabel (antara variabel
eksogen
dan
variabel
endogen),
apakah
hubungan
strukturalnya recursive (searah, balik, X
X Y) atau nonrecursive (timbal
Y) .
5) langkah optional, yaitu membuat diagram jalur hubungan antara konstrak laten dan konstrak laten lainnya beserta indikatorindikatornya. Langkah ini dimaksudkan untuk memperoleh visualisasi hubungan antara variabel dan akan mempermudah dalam pembuatan program LISREL. 2. Identifikasi Model Untuk mencapai identifikasi model dengan kriteria over-identified model (penyelesaian secara iterasi) pada program LISREL dilakukan penentuan sebagai berikut:
untuk konstrak laten yang hanya memiliki satu indikator pengukuran, maka koefisien faktor loading (lamda, ) ditetapkan 1 atau membuat error variance indikator pengukuran tersebut bernilai nol.
untuk konstrak laten yang hanya memiliki beberapa indikator pengukuran (lebih besar dari 1 indikator), maka ditetapkan salah satu koefisien faktor loading (lamda, ) bernilai 1. Penetapan nilai lamda = 1 merupakan justifikasi dari peneliti tentang indikator yang dianggap paling mewakili konstrak laten tersebut. Indikator tersebut disebut juga sebagai variable reference.
Jika tidak ada indikator yang diprioritaskan (ditetapkan), maka variable reference akan diestimasi didalam proses estimasi model. 3. Estimasi Model Pada proses
estimasi parameter, penentuan metode
estimasi
ditentukan oleh uji Normalitas data. Jika Normalitas data terpenuhi, maka metode estimasi yang digunakan adalah metode maximum likelihood dengan menambahkan inputan berupa covariance matrix dari data pengamatan. Sedangkan, jika Normalitas data tidak terpenuhi, maka metode estimasi yang digunakan adalah robust maximum likelihood dengan menambahkan inputan berupa covariance matrix dan asymptotic covariance matrix dari data pengamatan (Joreskog dan Sorbom, 1996). Penggunaan input asymptotic covariance matrix akan menghasilkan penambahan uji
kecocokan model, yaitu Satorra-Bentler Scaled Chi-Square dan Chi-square Corrected For Non-Normality . Kedua P-value uji kecocokan model ini dikatakan fit jika P-value mempunyai nilai minimum adalah 0,05 . Yamin dan Kurniawan (2009) menambahkan proses yang sering terjadi pada proses estimasi, yaitu offending estimates (dugaan yang tidak wajar) seperti error variance yang bernilai negatif. Hal ini dapat diatasi dengan menetapkan nilai yang sangat kecil bagi error variance tersebut. Sebagai contoh, diberikan input sintaks program SIMPLIS ketika nilai varian dari konstrak KINERJA bernilai negatif: SET ERROR VARIANCE KINERJA TO 0.005. 4. Uji Kecocokan Model Menurut Hair et al., SEM tidak mempunyai uji statistik tunggal terbaik yang dapat menjelaskan kekuatan dalam memprediksi sebuah model. Sebagai gantinya, peneliti mengembangkan beberapa kombinasi ukuran kecocokan model yang menghasilkan tiga perspektif, yaitu ukuran kecocokan model keseluruhan, ukuran kecocokan model pengukuran, dan ukuran kecocokan model struktural. Langkah pertama adalah memeriksa kecocokan model keseluruhan. Ukuran kecocokan model keseluruhan dibagi dalam tiga kelompok sebagai berikut: 1) Ukuran kecocokan mutlak (absolute fit measures), yaitu ukuran kecocokan model secara keseluruhan (model struktural dan model pengukuran) terhadap matriks korelasi dan matriks kovarians. Uji kecocokan tersebut meliputi:
Uji Kecocokan Chi-Square Uji kecocokan ini mengukur seberapa dekat antara implied covariance matrix (matriks kovarians hasil prediksi) dan sample covariance matrix (matriks kovarians dari sampel data). Hipotesis yang digunakan adalah H 0:
( ) ;
matriks kovarians sampel sedangkan
H 1:
( ) ,
( )
dengan
adalah
adalah matriks kovarians
hasil prediksi dari model. Dalam prakteknya, P-value diharapkan bernilai lebih besar sama dengan 0,05 agar H 0 dapat diterima yang menyatakan bahwa model adalah baik.
Pengujian Chi-square sangat sensitif terhadap ukuran data. Yamin dan Kurniawan (2009) menganjurkan untuk ukuran sampel yang besar (lebih dari 200), uji ini cenderung untuk menolak H0. Namun sebaliknya untuk ukuran sampel yang kecil (kurang dari 100), uji ini cenderung untuk menerima H0. Oleh karena itu, ukuran sampel data yang disarankan untuk diuji dalam uji Chi-square adalah sampel data berkisar antara 100 – 200.
Goodnees-Of-Fit Index (GFI) Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu model menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1. Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang baik. Namun bisa disimpulkan, model yang baik adalah model yang memiliki nilai GFI mendekati 1. Dalam prakteknya, banyak peneliti yang menggunakan batas minimal 0,9.
Root Mean Square Error (RMSR) RMSR
merupakan
residu
rata-rata
antar
matriks
kovarians/korelasi teramati dan hasil estimasi. Nilai RMSR < 0,05 adalah good fit .
Root Mean Square Error Of Approximation (RMSEA) RMSEA merupakan ukuran rata-rata perbedaan per degree of freedom yang diharapkan dalam populasi. Nilai RMSEA < 0,08 adalah good fit , sedangkan Nilai RMSEA < 0,05 adalah close fit .
Expected Cross-Validation Index (ECVI) Ukuran ECVI merupakan nilai pendekatan uji kecocokan suatu model apabila diterapkan pada data lain (validasi silang). Nilainya didasarkan pada perbandingan antarmodel. Semakin kecil nilai, semakin baik.
Non-Centrality Parameter (NCP) NCP dinyatakan dalam bentuk spesifikasi ulang Chi-square. Penilaian didasarkan atas perbandingan dengan model l ain. Semakin kecil nilai, semakin baik.
2) Ukuran kecocokan incremental (incremental/relative fit measures), yaitu ukuran kecocokan model secara relatif, digunakan untuk perbandingan
model yang diusulkan dengan model dasar yang digunakan oleh peneliti. Uji kecocokan tersebut meliputi:
Adjusted Goodness-Of-Fit Index (AGFI) Ukuran
AGFI
merupakan
modifikasi
dari
GFI
dengan
mengakomodasi degree of freedom model dengan model lain yang dibandingkan. AGFI 0,9 adalah good fit , sedangkan 0,8 AGFI 0,9 adalah marginal fit .
Tucker-Lewis Index (TLI) Ukuran TLI disebut juga dengan nonnormed fit index (NNFI). Ukuran ini merupakan ukuran untuk pembandingan antarmodel yang mempertimbangkan banyaknya koefisien di dalam model. TLI 0,9 adalah good fit , sedangkan 0,8 TLI 0,9 adalah marginal fit .
Normed Fit Index (NFI) Nilai NFI merupakan besarnya ketidakcocokan antara model target dan model dasar. Nilai NFI berkisar antara 0 – 1. NFI 0,9 adalah good fit , sedangkan 0,8 NFI 0,9 adalah marginal fit .
Incremental Fit Index (IFI) Nilai IFI berkisar antara 0 – 1. IFI 0,9 adalah good fit , sedangkan 0,8 IFI 0,9 adalah marginal fit .
Comparative Fit Index (CFI) Nilai CFI berkisar antara 0 – 1. CFI 0,9 adalah good fit , sedangkan 0,8 CFI 0,9 adalah marginal fit .
Relative Fit Index (RFI) Nilai RFI berkisar antara 0 – 1. RFI 0,9 adalah good fit , sedangkan 0,8 RFI 0,9 adalah marginal fit .
3) Ukuran kecocokan parsimoni ( parsimonious/adjusted fit measures), yaitu ukuran kecocokan yang mempertimbangkan banyaknya koefisien didalam model. Uji kecocokan tersebut meliputi:
Parsimonious Normed Fit Index (PNFI) Nilai PNFI yang tinggi menunjukkan kecocokan yang lebih baik. PNFI hanya digunakan untuk perbandingan model alternatif.
Parsimonious Goodness-Of-Fit Index (PGFI) Nilai PGFI merupakan modifikasi dari GFI, dimana nilai yang tinggi
menunjukkan
model
lebih
baik
digunakan
untuk
perbandingan antarmodel.
Akaike Information Criterion (AIC) Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
Consistent Akaike Information Criterion (CAIC) Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
Criteria N (CN) Estimasi ukuran sampel yang mencukupi untuk menghasilkan adequate model fit untuk Chi-squared . Nilai CN > 200 menunjukkan bahwa sebuah model cukup mewakili sampel data. Setelah evaluasi terhadap kecocokan keseluruhan model, langkah
berikutnya adalah memeriksa kecocokan model pengukuran dilakukan terhadap masing-masing konstrak laten yang ada didalam model. Pemeriksaan terhadap konstrak laten dilakukan terkait dengan pengukuran konstrak laten oleh variabel manifest (indikator). Evaluasi ini didapatkan ukuran kecocokan pengukuran yang baik apabila: 1) Nilai t-statistik muatan faktornya ( faktor loading-nya) lebih besar dari 1,96 (t-tabel). 2) Standardized LAMBDA)
faktor
loading
(completely
standardized
solution
0,5 .
Setelah evaluasi terhadap kecocokan pengukuran model, langkah berikutnya adalah memeriksa kecocokan model struktural. Evaluasi model struktural berkaitan dengan pengujian hubungan antarvariabel yang sebelumnya dihipotesiskan. Evaluasi menghasilkan hasil yang baik apabila: 1) Koefisien hubungan antarvariabel tersebut signifikan secara statistik (t -statistik 1,96). 2) Nilai koefisien determinasi (R2) mendekati 1. Nilai R2 menjelaskan seberapa
besar
variabel
eksogen
yang
dihipotesiskan
persamaan mampu menerangkan variabel endogen.
dalam
5. Respesifikasi Model Apabila model yang dihipotesiskan belum mencapai model yang fit , maka peneliti bisa melakukan respesifikasi model untuk mencapai nilai fit yang baik. Oleh karena itu, pendekatan teori yang benar ketika melakukan repesifikasi model ini dibutuhkan. Software LISREL juga menyediakan output modifikasi model yang membantu proses respesifikasi model dalam hal meningkatkan fit dari suatu model. Modifikasi dilakukan dengan membuang/menambah hubungan di antara variabel di dalam model SEM. Perlu digarisbawahi bahwa penambahan atau penghilangan hubungan tersebut harus didasarkan pada teori yang mendasari model. Bagaimanakah seorang peneliti dapat mengetahui bahwa dalam suatu model perlu dilakukan perbaikan? Panduan awal proses perbaikan perlu dilakukan apabila nilai mutlak dari nilai standardized residual yang lebih besar dari 2,58 . Panduan modifikasi lainnya bisa dilihat dari bagian indeksindeks modifikasi (Decrease in Chi-Square). Indeks modifikasi suatu hubungan menunjukkan seberapa besar pengurangan nilai Chi-square apabila hubungan tersebut dinyatakan dalam model. Dari beberapa saran modifikasi yang dipilih harus lebih besar dari 3,84 dan penambahan atau penghilangan hubungan tersebut harus didasarkan pada teori yang mendasari model.
REFERENSI Hair, J.F., R.E. Anderson, R.L. Thatam, dan W.C. Black. 1995. Multivariate Data th Analysis With Reading , 4 edition. Englewood Cliffs, NJ: Prentice Hall. Joreskog, K.G., & D. Sorbom. 1996. LISREL 8: User’s Reference Guide. Chicago: Scientific Software International, Inc. Yamin, S. dan Kurniawan, H., 2009, Structural Equation Modeling: Belajar Lebih Mudah Teknik Analisis Data Kuesioner dengan LISREL-PLS , Buku Seri Kedua, Jakarta: Salemba Infotek.